[发明专利]基于AdaptGAN的低照度语义分割方法

说明书

本发明公开了一种基于AdaptGAN的低照度语义分割方法，其特征在于，包括如下步骤：1）整合数据集；2）训练光照正则化网络；3）训练语义分割网络；4）训练判别器网络。这种方法能够对低照度的图片进行语义分割，让语义分割的特征图视觉表征能力更强，提高分割精度。

技术领域

本发明涉及生成对抗网络GAN(Generative Adversarial Networks,简称GAN)技术、无监督领域自适应技术和图像语义分割技术，具体是一种基于适应性生成对抗网络AdaptGAN(Adaptive Generative Adversarial Networks,简称AdaptGAN)的低照度语义分割方法。

背景技术

语义分割技术具有非常广泛的应用范围，在自动驾驶、人机交互和遥感图像等方面都有非常重要的作用，语义分割技术是计算机视觉领域一个非常重要的研究课题。随着人工智能技术的高速发展，深度学习技术提升了图像语义分割的分割精度和泛化性。

领域自适应技术作为迁移学习中的一种代表性方法，其解决的主要问题是当源域和目标域数据分布不同或存在域漂移时，能够充分利用源域的数据学习到一个目标域上的预测函数，使得该预测函数在目标域上也拥有最小的预测误差。此外，采用生成对抗网络的对抗学习方法能有效的实现领域自适应。

现有的语义分割方法主要是针对正常光照场景下进行设计，但是在夜间驾驶时，由于光照条件差、照度较低，会导致待分割的目标成像较暗、模糊和分辨不清等，最后造成分割精度较低。

发明内容

本发明的目的是为了弥补现有图像语义分割技术的不足，提供了一种基于AdaptGAN的低照度语义分割方法。这种方法能够对低照度的图片进行语义分割，让语义分割的特征图视觉表征能力更强，提高分割精度。

实现本发明目的的技术方案是：

一种基于AdaptGAN的低照度语义分割方法，包括如下步骤：

1)整合数据集：基于公开的Cityscapes数据集，采用模拟低照度环境下的成像特点，得到低照度环境下的数据集Cityscapes-Night，依据领域自适应技术的特点，将Cityscapes数据集作为源域，Cityscapes-Night数据集作为目标域；

2)训练光照正则化网络，包括如下步骤：

1-2)将所有的正常光照图片和低照度图片进行预处理，即将正常光照图片和低照度图片的高度和宽度统一缩放至960×960像素，从而获得更优的精度；

2-2)将正常照度图像和低照度图像输入到光照正则化网络进行处理，首先光照正则化网络从两种不同照度图像的共同潜在空间中提取到目标域和源域的共同表征，然后用光照正则化网络提取到的特征图与输入图像相加得到光照正则化图像；

3-2)计算输入图像与光照正则化图像之间的亮度损失，损失函数如公式(1)所示：

L_light＝L_tv+L_ssim (1)，

其中L_light为亮度损失，L_tv为全变差损失，L_ssim为结构相似度损失，全变差损失如公式(2)所示：